Comment personnaliser les tracés de contour de vraisemblance logarithmique de 2 modèles Weibull ?Bonjour,
Je travaille à comparer deux modèles de Weibulls, pour vérifier s'ils sont significativement différents.
Sur la base du chapitre 7.5.3 du « Manuel de Weibull » de R. Abernethy, je voudrais comparer les tracés de contour de vraisemblance de deux modèles.
J'utilise un panneau Distribution de vie - Comparer le groupe pour effectuer l'analyse. Il crée deux estimations paramétriques distinctes - modèles Weibull. À partir de là, je peux sélectionner « Afficher le contour de vraisemblance ».
Pour commencer, j'aimerais demander s'il existe une possibilité de personnaliser ces graphiques, comme réduire le nombre de niveaux ou modifier les couleurs des contours ?
Je sais que plus tard je pourrai combiner les contours de deux modèles en utilisant « Copier le contenu du cadre ».
De plus, existe-t-il un moyen d'extraire les points réels qui créent le contour ? Au final, j'aimerais vérifier automatiquement si les contours des modèles se croisent ou non, et pour cela, je pense que je dois utiliser des points réels.
Merci pour votre aide.
Salutations,
Ceg1
Personnalisation de masseFenêtresRe : Comment personnaliser les tracés Loglikelihood Contour de 2 modèles de Weibull ?Les fonctions de personnalisation et d'extraction de points du contour ne sont pas disponibles. Le but de cette section du manuel est de comparer visuellement les ajustements. C'est formidable que vous ayez mentionné que vous savez comment créer un tracé similaire à l'aide de JMP. Cependant, l'intrigue n'est pas un remplacement ou une alternative à un test formel. Sur le même sujet et les discussions connexes, vous pouvez être intéressé par la section 12.3 dans "Méthodes statistiques pour les données de fiabilité", 2e. éd. par Meeker et al. Pour effectuer un test de rapport de vraisemblance pour déterminer si les ajustements de Weibull des deux groupes sont significativement différents ou non, vous souhaiterez peut-être rechercher comment utiliser Fit la vie par X Plate-forme. Voici un exemple de la façon dont vous devez configurer la boîte de dialogue de lancement
Choisissez "Weibull", si vous le souhaitez. Si votre variable de regroupement est discrète, vous n'avez rien d'autre à craindre. Si ce n'est pas le cas, assurez-vous de choisir "Aucun effet", "Emplacement" ou "Échelle d'emplacement" dans la zone de liste déroulante Relation. Chacun des trois représente une hypothèse, en gros: "Deux groupes sont identiques", "Deux groupes sont différents par emplacement, ou paramètre d'échelle Alpha pour Weibull", "Deux groupes sont différents par les deux paramètres". La plate-forme vous fournit une analyse complète pour les comparer.
Re : Comment personnaliser les tracés Loglikelihood Contour de 2 modèles de Weibull ?Merci pour votre réponse. Je ne connaissais pas cette fonctionnalité. J'ai essayé et je ne suis pas convaincu que cette plateforme m'aide à répondre à ma question.
Je ne sais pas comment dois-je interpréter les résultats du test imbriqué. J'ai une variable discrète de groupement de caractères. La plate-forme Fit Life renvoie ces résultats de test.
Ce que je comprends du manuel JMP, c'est que si "Prob> ChiSq" est inférieur à ce niveau de signification (généralement 0,05), alors nous pouvons rejeter l'hypothèse nulle selon laquelle ces deux modèles sont significativement différents l'un de l'autre.
Cependant, il y a 2 tests, alors que je pense que je voudrais tester l'hypothèse entre No Effect vs. Location et Scale. Pouvez-vous m'expliquer comment ces résultats de test doivent être interprétés, car je pense qu'il me manque des informations ?
Merci.
Re : Comment personnaliser les tracés Loglikelihood Contour de 2 modèles de Weibull ?Votre processus de réflexion est tout à fait correct. Et vous ne trouverez pas le résultat explicite du test "Aucun effet contre emplacement et échelle", qui énonce l'hypothèse nulle selon laquelle les paramètres d'échelle et de forme sont les mêmes.
Ce test, en lui-même, est insuffisant pour donner un aperçu supplémentaire si la valeur nulle est rejetée. Et des tests supplémentaires sont nécessaires. Dans ce cas, il se terminera par un test imbriqué. Permettez-moi d'utiliser cet exemple pour expliquer pourquoi le test imbriqué est utile pour la prise de décision.
Dans cet exemple avec deux groupes, on s'intéresse généralement à savoir si leurs fiabilités sont identiques ou si l'une est plus fiable que l'autre, de sorte que l'on peut prendre les mesures appropriées en conséquence. Lorsque les deux tests reviennent insignifiants (désignons ce scénario 1), alors on peut conclure que leurs fiabilités ne sont pas différentes, puis prendre une action. Si "Aucun effet contre emplacement" est significatif, mais que "Emplacement contre emplacement et échelle" est insignifiant (désigner ce scénario 2), on peut conclure que l'un est plus fiable qu'un autre au sens conventionnel, puis prendre une action. Dans les deux scénarios restants (notez-les Scénario 3 et 4), on ne peut que conclure que les deux groupes sont différents, mais on ne peut pas tirer de conclusion quant à savoir si un groupe est définitivement plus fiable. Une analyse plus approfondie est nécessaire, ou les critères de fiabilité nécessitent des spécifications supplémentaires, par exemple définies en comparant la durée de vie de B10.
Alors qu'en est-il du "No Effect vs Location and Scale", qui n'est pas là. Mais pensez-y, s'il ne peut pas être rejeté, cela signifie le scénario 1 ; s'il est rejeté, cela signifie l'un des trois autres scénarios, mais ne peut pas dire lequel. Ainsi, le test imbriqué peut directement conduire à une prise de décision sur les intérêts les plus courants, mais "Aucun effet vs emplacement et échelle" ne le peut pas.
PS bien que je décrive le processus de prise de décision comme un test multiple, c'est souvent comme un test séquentiel dans la pratique. C'est-à-dire qu'il semble rare que "Aucun effet par rapport à l'emplacement" soit insignifiant mais que "L'emplacement par rapport à l'emplacement et à l'échelle" soit significatif. Ainsi, on peut décrire deux groupes sans différence uniquement sur la base du premier test sans plus de détails. De même, si vous souhaitez obtenir le résultat du test pour "Aucun effet par rapport à l'emplacement et à l'échelle", la statistique du test du rapport de probabilité est de 311,6156 - 310,3634 = 1,25219999999996, la différence de -2Loglikelihood entre les deux modèles. Et la valeur critique est le quantile 1-alpha du Chi-Sqaure avec df = 4-2, la différence du nombre de paramètres des deux modèles. La valeur de p est 0,534672964662089, en utilisant le calcul suivant :
Réf : https://en.wikipedia.org/wiki/Likelihood-ratio_test
Re : Comment personnaliser les tracés Loglikelihood Contour de 2 modèles de Weibull ?Bonjour, merci pour votre réponse.
En fait, j'ai intégré la plateforme Fit Life by X à mon script pour comparer deux modèles Weibull et j'utilise également Nested Tests.
Cependant, j'ai joué un peu avec l'outil et j'ai une question.
D'après ce que j'ai compris, l'étape "Aucun effet" crée un modèle Weibull à 2 paramètres basé sur les deux échantillons fusionnés.
Pouvez-vous me dire comment JMP gère de tels cas, lorsqu'il n'y a que des changements mineurs entre les populations ?
Par exemple, j'ai un modèle basé sur 5 échecs et 10 suspensions, et je veux le comparer avec un nouveau modèle, qui est basé sur les mêmes données, mais il y a un échec supplémentaire. (donc 6 échecs et 10 suspensions au total). Les valeurs de censure temporelle ne changent pas entre les modèles.
Il me semble donc que le modèle fusionné serait construit sur deux ensembles de points quasiment identiques et cela me semble incorrect.
De plus, pouvez-vous me guider vers un document/livre/article, où les tests imbriqués pour les applications de fiabilité sont décrits plus en détail ?
Merci,
Salutations,
Ceg1
Re : Comment personnaliser les tracés Loglikelihood Contour de 2 modèles de Weibull ?Je ne suis pas sûr de comprendre le nouveau scénario. Voici ma compréhension. Vous avez une donnée dans laquelle il y a 5 échecs et 10 suspensions. Ensuite, vous ajoutez un autre échec aux données, et l'ensemble de données a maintenant 16 observations. Ensuite, vous traitez deux ensembles de données comme deux groupes et passez par Fit Life by X pour "comparer" les deux groupes. Cela ne me convient pas non plus. Mais peut ne pas signifier que l'analyse n'a pas de sens du tout. Il pense que c'est à l'objectif, quelle est la question de l'intérêt?
Cela ressemble à ce qui vous intéresse : maintenant il y a une nouvelle observation, est-ce que ma conclusion tient toujours sur l'observation précédente ? Si tel est le cas, voici quelques réflexions et questions supplémentaires :
- Si cette observation est une étoile solitaire en soi, et aucune autre information, je ne vois pas d'autres moyens, et je ne vois pas ce qui peut être pire en le faisant.
- Si cette observation fait partie d'un test supplémentaire en cours, cela peut relever de différents types d'analyse. L'une consiste à évaluer le modèle sur les nouvelles données (le taux d'échec est-il en accord avec ce que le modèle a prédit). Une autre chose à laquelle je peux penser est de démontrer que vos nouvelles données ont la fiabilité souhaitée (recherchez la démonstration de fiabilité, pour laquelle vous avez besoin d'informations préalables sur la fiabilité, qui pourraient provenir de vos données précédentes). Vous pourriez être intéressé par le chapitre 14 Planification des tests de démonstration de fiabilité et 15 Prévision des temps de défaillance et du nombre de futures défaillances sur le terrain dans ce livre : Méthodes statistiques pour les données de fiabilité. 2ème. éd.
Pour les tests imbriqués, il s'agit d'une technique de test d'hypothèse régulière connue sous le nom de test du rapport de vraisemblance. Voici un lien vers la page wiki : Test du rapport de vraisemblance La première phrase de la page résume très bien la technique. Mais vous pouvez essayer différentes ressources jusqu'à en trouver une qui vous convienne. Les manuels de statistiques devraient être une bonne direction à regarder. L'annexe du livre ci-dessus que j'ai mentionné explique également brièvement le sujet.
